CONSISTENCY AND EFFICIENCY OF LEAST SQUARES ESTIMATION FOR MIXED REGRESSIVE, SPATIAL AUTOREGRESSIVE MODELS
混合回归与空间自回归模型中最小二乘的一致性和效率AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接讨论单位之间的空间相互影响及空间自回归，支持网络与干扰方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
混合回归与空间自回归模型中最小二乘的一致性和效率
- 研究问题
- 在包含解释变量和空间自回归项、误差也可能空间相关的模型中，最小二乘何时能够摆脱通常的不一致性，并具有渐近效率优势？
- 方法与思路
- 作者考察每个单位受到总体中相当比例单位共同影响的经济空间环境，分析该类模型下最小二乘的一致性及相对其他估计方法的效率。
- 材料陈述的贡献
- 摘要称，在所研究空间环境中，最小二乘可以一致，甚至相对于某些其他估计量渐近有效；其计算比工具变量和极大似然方法更简单。
- 阅读关注点
- 应核对空间权重与总体规模的渐近设定、广泛相互影响的数学条件、误差相关限制，以及渐近效率比较具体针对哪些估计量。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定完整一致性与效率条件；摘要也承认最小二乘对广泛模型仍不一致，不能把结论推广到任意空间模型。
原文摘要
Least squares estimation has casually been dismissed as an inconsistent estimation method for mixed regressive, spatial autoregressive models with or without spatial correlated disturbances. Although this statement is correct for a wide class of models, we show that, in economic spatial environments where each unit can be influenced aggregately by a significant portion of units in the population, least squares estimators can be consistent. Indeed, they can even be asymptotically efficient relative to some other estimators. Their computations are easier than alternative instrumental variables and maximum likelihood approaches.